1.一种基于区块链的神经网络数据集存储方法，其特征在于，该方法包括以下步骤:获取各端在区块链中已存储数据的特征向量以及各端获取到的待存储数据的特征向量，并分别得到各端对应的源域特征分布和目标特征分布；

根据任意两端对应的所述源域特征分布所在的特征空间，将不同特征空间的两个所述源域特征分布进行映射对齐；

根据任意两个所述源域特征分布的映射对齐结果，获得任意两个所述源域特征分布对应的目标特征分布中每个目标特征向量的合理性；

根据任意两个所述源域特征分布对应的所述目标特征分布中每个目标特征向量的合理性，获得各端所述目标特征分布的合理程度；

根据各端所述目标特征分布的合理程度以及预设的判断条件，确定能够将待存储数据存储到所述区块链中的目标端。

2.根据权利要求1所述的一种基于区块链的神经网络数据集存储方法，其特征在于，所述根据任意两端对应的所述源域特征分布所在的特征空间，将不同特征空间的两个所述源域特征分布进行映射对齐，包括：

获取任意两端对应的所述源域特征分布中的低维源域特征分布和高维源域特征分布，其中，所述低维源域特征分布的维数小于所述高维源域特征分布的维数；

计算所述低维源域特征分布对应的低维源域Gram矩阵，以及升维源域特征分布对应的升维源域Gram矩阵；其中，所述升维源域特征分布由所述低维源域特征分布映射对齐后得到；

构建目标函数：

其中，M0为低维源域特征分布a的关注矩阵； 为升维源域特征分布 对应的升维源域Gram矩阵；Ma为低维源域特征分布a对应的低维源域Gram矩阵； 表示关注矩阵M0与矩阵 的哈达玛积； 为升维源域特征分布 对应的升维源域特征矩阵；

Db为高维源域特征分布b对应的高维源域特征矩阵；ΔDb为高维源域特征矩阵Db中所包含的噪声矩阵；‖ ‖2表示用于求取L2范数的计算式；

对所述目标函数进行求解，求解出使得所述目标函数达到最小值的所述升维源域特征矩阵 以及预设的所述噪声矩阵ΔDb；

得到所述低维源域特征分布和所述高维源域特征分布映射对齐之后的所述升维源域特征分布和等维源域特征分布。

3.根据权利要求2所述的一种基于区块链的神经网络数据集存储方法，其特征在于，所述关注矩阵的获取方法，包括：

预设所述关注矩阵与所述低维源域Gram矩阵的行列相同，且两矩阵内的同一位置处的元素对应的低维源域特征向量相同；

将所述关注矩阵的所有元素值都置为预设数值；

计算任意端的所述目标特征分布内任意目标特征向量与对应的源域特征分布内的各源域特征向量的欧式距离；获取各所述目标特征向量对应的最小的Top‑k个欧式距离，以及所述最小的Top‑k个欧式距离对应的源域特征向量，作为第一源域特征向量，构成第一源域集合；

由多个所述第一源域集合构成总集合；计算所述总集合中相同所述第一源域特征向量出现的次数，并将所述关注矩阵中各所述源域特征向量对应位置处的元素值重置为对应第一源域特征向量出现的次数；

对重置后的关注矩阵的元素值进行归一化处理，得到归一化后的关注矩阵。

4.根据权利要求3所述的一种基于区块链的神经网络数据集存储方法，其特征在于，所述映射对齐结果的获取方法，包括：对于所述低维目标特征分布中的低维目标特征向量，获取所述低维目标特征向量对应的所述第一源域特征向量及所述第一源域集合；

预设待定参数序列，由所述待定参数序列与所述低维目标特征向量对应的所述第一源域特征向量构建含有待定参数的线性数学模型；

所述线性数学模型为：

其中，x为所述低维目标特征分布中的低维目标特征向量；θq为所述待定参数序列中第q个待定参数；aq为低维目标特征向量x对应的第q个所述第一源域特征向量；Q为所述第一源域特征向量的数量；

利用RANSAC算法得到所述待定参数序列；

对所述低维目标特征向量对应的所述第一源域集合进行映射对齐得到升维第一源域集合；根据所述升维第一源域集合与所述待定参数得到所述低维源域特征分布对应的低维目标特征分布中的低维目标特征向量的映射对齐结果；

所述映射对齐结果：

其中，f(x)为所述低维目标特征向量的映射对齐结果； 为第q个所述第一源域特征向量对应的第一源域特征向量。

5.根据权利要求1所述的一种基于区块链的神经网络数据集存储方法，其特征在于，所述根据任意两个所述源域特征分布的映射对齐结果，获得任意两个所述源域特征分布对应的目标特征分布中每个目标特征向量的合理性，包括：计算所述映射对齐结果分别与所述升维源域特征分布内任意两个升维源域特征向量的差值的L2范数，以及所述两个升维源域特征向量之间的差值的L2范数；将三个所述L2范数的平均值作为第一离散程度；

计算所述映射对齐结果分别与所述等维源域特征分布内任意两个等维源域特征向量的差值的L2范数，以及所述两个等维源域特征向量之间的差值的L2范数；将三个所述L2范数的平均值作为第二离散程度；

根据所述第一离散程度、所述第二离散程度以及对应的映射对齐前后的源域特征向量的内积的差值的绝对值得到所述映射对齐结果对应的目标特征向量的合理性；

所述合理度的计算公式为：

其中，Rx(a,b)为低维源域特征分布a对应的低维目标特征分布a1和高维源域特征分布b对应的高维目标特征分布b1中的任意目标特征向量x的合理度； 表示y,z是升维源域特征分布 中任意两个升维源域特征向量； 表示m，n是等维源域特征分布 中任意两个等维源域特征向量；ρx(y,z)为映射对齐结果f(x)与所述升维源域特征分布 中的升维源域特征向量y,z的第一离散程度；ρx(m,n)为映射对齐结果f(x)与所述等维源域特征分布 中的等维源域特征向量m,n的第二离散程度；ΔMyz为升维源域特征向量y，z的内积与y，z对应的映射对齐前的低维源域特征向量内积的差值的绝对值。

6.根据权利要求1所述的一种基于区块链的神经网络数据集存储方法，其特征在于，所述根据任意两个所述源域特征分布对应的所述目标特征分布中每个目标特征向量的合理性，获得各端所述目标特征分布的合理程度，包括：所述合理程度的计算公式为：

其中，P为所述目标特征分布的合理程度；x∈a1表示x为低维目标特征分布a1中任意目标特征向量x；b∈z表示b为除了低维源域特征分布a外的所有其他低维源域特征分布集合z中任意一个低维源域特征分布；N表示低维源域特征分布集合z中包含的低维源域特征分布的数量。

7.根据权利要求1所述的一种基于区块链的神经网络数据集存储方法，其特征在于，所述根据各端所述目标特征分布的合理程度以及预设的判断条件，确定能够将待存储数据存储到所述区块链中的目标端，包括：获取满足所述预设的判断条件的最终目标特征分布，将所述最终目标特征分布对应的端作为目标端；所述预设的判断条件为合理程度最大值对应的目标特征分布。